2019年10月10日，中国曼联科学院脑科学与智能技术卓越创新中心、中科院灵长类神经生物学重点实验室、上海脑科学与类脑研究中心空间感知研究组顾勇研究员团队与瑞士日内瓦大学认知计算神经科学Alexandre Pouget研究组合作在Neuron杂志上发表了题为“Neural Correlates of Optimal Multisensory Decision Makingunder Time-Varying Reliabilities with an Invariant Linear Probabilistic Population Code”的文章，利用灵长类动物猕猴，揭示了复杂环境下多模态感觉信息最优整合及决策的神经机制。

    研究人员以自身运动感知为模式系统，建立了一套基于前庭和视觉的虚拟现实实验平台。在该平台上，研究人员训练猕猴通过前庭与视觉两种不同模态的感觉信息来分辨其自身的运动方向。重要的是，系统提供的运动刺激具有先加速后减速的过程；由于内耳前庭器官对加速度敏感，而视觉通道通常对速度敏感，因此大脑所接收到的这两种感觉信息具有不同的时间动力学，从而模拟了自然环境中证据可靠性实时变化的复杂多模态输入。经过训练，猕猴在多模态刺激（前庭+视觉）的实验条件下，可以分辨更加精细的自身运动角度变化，并且相对于单模态刺激的实验条件，其行为表现的提高符合贝叶斯最优整合理论的预期。这些结果表明猕猴的确可以通过整合来自不同感觉渠道的信息来提高认知的精度，并且该过程中几乎不会发生信息的丢失（即“最优”）。

    在猕猴分辨自身运动方向的同时，研究者通过金属微电极记录位于猕猴后顶叶皮层一个决策相关区域——顶内沟外侧区（LIP）神经元的电生理活动。研究者发现，在两种不同的单模态刺激条件下，LIP神经元分别跨时间累积了来自不同物理量的证据——前庭来自加速度，而视觉来自速度。因此，神经元所接收的前庭和视觉证据的确具有实时变化的可靠性。那么，在多模态的实验条件下，神经元将如何实现贝叶斯最优整合的两个关键步骤，即“估计可靠性”和“实现加权操作”呢？一种被称为“线性不变概率性群体编码（ilPPC）”的假说则认为，群体神经元的实时放电活动可以直接表征信息输入的可靠性：在这种情况下，只需要神经元群体对感觉输入进行一种突触权重不变的简单线性叠加，就可以实现信息的贝叶斯最优整合。因此，ilPPC假说提出的这种计算方式对于生物大脑来说会更加简易、快速和可行。

    为了检验实验数据是否与ilPPC假说相符，研究人员构建和完善了一个基于ilPPC理论框架的神经网络模型。理论估计和数值模拟的结果证实，网络中的神经元集群对前庭与视觉信息进行跨模态和跨时间的简单线性叠加的确可以自动实现证据可靠性依赖的加权操作，从而最优地完成多感觉决策的任务。重要的是，神经网络模型中的神经元活动与真实的猕猴LIP数据具有一致的特性，提示大脑在复杂环境中面临实时多变的感觉输入时，的确可以采取线性不变概率性群体编码的方式实现贝叶斯最优决策。

    因此，该项工作首次为最优多感觉决策的ilPPC理论框架提供了实验和计算的支持，指出了决策神经元累积复杂多模态感觉证据的计算法则，从而填补了多感觉整合与感知决策这两个领域之间长期以来存在的空白。